Was sind synthetische Daten?

Synthetische Daten sind Trainingsdaten, die ein Computer erzeugt hat, statt sie aus der echten Welt zu sammeln, und in der KI heißt das meist Daten, die ein anderes KI-Modell geschrieben hat. Genutzt werden sie, wenn echte Daten knapp, vertraulich oder zu teuer zu beschriften sind. Sie funktionieren gut genug, um Standard zu sein, und schlecht genug, um umstritten zu bleiben.

Synthetische Daten gibt es, weil die echten ausgehen, zu teuer zu beschriften sind oder rechtlich nicht genutzt werden dürfen. Fang beim Datenschutzfall an: Ein Krankenhaus, das keine Patientenakten teilen darf, kann künstliche Patienten mit ähnlicher Statistik erzeugen und diese teilen, denn in der Akte steckt keine reale Person. Der Knappheitsfall ist größer, denn Labore, die mit menschlichem Text trainieren, arbeiten einen endlichen Vorrat ab und lassen deshalb zunehmend Modelle Trainingsmaterial für das nächste Modell schreiben. Sorgfältig gemacht ist das wirklich nützlich, weil erzeugte Beispiele genau auf die Schwachstellen eines Modells zielen können, was besser ist, als noch einen Berg von dem zusammenzukratzen, was es schon kann. Nachlässig gemacht verschlechtert es sich, weil Fehler und blinde Flecken des Erzeugers vererbt und verstärkt werden von allem, was daraus lernt, ein Versagen, das Forscher Modellkollaps nennen. Die Schutzmaßnahmen folgen direkt aus diesem Risiko: echte Daten in der Mischung behalten, den erzeugten Stapel filtern und das Ergebnis gegen die Realität prüfen statt gegen seinen Lehrer.

Flugsimulatoren für die Pilotenausbildung. Echte Notfälle sind selten, gefährlich und nicht planbar, also stellen Fluggesellschaften sie selbst her: Triebwerksausfälle auf Abruf, jedes gewünschte Unwetter, hundertmal die Woche. So ausgebildete Piloten fliegen besser, weil sie Situationen erlebt haben, die eine normale Laufbahn nie liefert. Aber ein Simulator enthält nur, was seine Erbauer hineinzupacken dachten, und deshalb lässt niemand Piloten echte Flugstunden überspringen.